摘 要：本文分析研究了神經(jīng)網(wǎng)絡(luò)的工作原理及其在加熱爐模式識別與智能控制系統(tǒng)中應(yīng)用情況，論述了加熱爐模式識別與智能控制的特點。實踐結(jié)果表明，這種控制思想是可行的，能夠取得滿意的控制效果。 關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò) 模式識別 軋鋼加熱爐 智能控制 一、前 言 　　近年來，模擬生物神經(jīng)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)，由于具有學(xué)習(xí)、自組織等新的信息處理能力，對于模式識別問題有很大的優(yōu)越性，得到了迅速的發(fā)展。在冶金行業(yè)中,軋鋼加熱爐是軋鋼生產(chǎn)過程中的重要設(shè)備之一,在實際操作過程中，操作人員依靠傳感器的信息，判斷爐況，進行操作。有些判斷難以用簡單的“IF A THEN B”這樣的規(guī)則表達，而是根據(jù)操作人員的經(jīng)驗，將爐況分成幾種模式，用神經(jīng)網(wǎng)絡(luò)來識別目前爐況屬于那種模式，對其進行操作進行指導(dǎo)，或作為專家系統(tǒng)的補充，有較大的作用。 二、神經(jīng)網(wǎng)絡(luò)模型 　　神經(jīng)網(wǎng)絡(luò)是模擬生物的神經(jīng)系統(tǒng)（特別是腦）功能的網(wǎng)絡(luò)。人腦約由150億個神經(jīng)細胞組成，每個細胞同數(shù)千、數(shù)萬個神經(jīng)細胞相聯(lián)系，形成網(wǎng)絡(luò)。這樣，神經(jīng)細胞模型可以看作是n輸入單輸出的信息處理單元。某個輸入Xi對神經(jīng)細胞的影響以影響度表示，稱為細胞的結(jié)合權(quán)重或效率Wi，這個細包模型如圖1所示。 [align=center] 圖1 細胞模型[/align] 　　細胞的輸入有強有弱，當(dāng)其總合超過某一閥值，則細胞進入興奮狀態(tài)，產(chǎn)生輸出;當(dāng)其總合低于閾值時，細胞進入抑制狀態(tài)，沒有輸出。 　　神經(jīng)細胞之間可以有不同的連接方式，目前已經(jīng)提出了許多神經(jīng)網(wǎng)絡(luò)模型，在神經(jīng)網(wǎng)絡(luò)中，由于神經(jīng)細胞的計算的并行性，其總體計算效率很高。生物的一個重要特征是有自學(xué)習(xí)功能，改變神經(jīng)網(wǎng)絡(luò)中細胞（或節(jié)點）輸入端的權(quán)重或者細胞興奮的閥值，控制細胞的興奮狀態(tài)，可以實現(xiàn)生物系統(tǒng)所具有的靈活的判斷和自學(xué)習(xí)功能。 　　神經(jīng)網(wǎng)絡(luò)的兩種常用的模型。 　　2.1 多層感知器模型 [align=center] 圖2 層次感知器神經(jīng)網(wǎng)絡(luò)[/align] 　　圖2是一個三層感知器神經(jīng)網(wǎng)絡(luò)，有N個輸人，M個輸出，一個中間層。從輸入信 　　號x，由內(nèi)部單元經(jīng)非線性變換，最終得到輸出y。 　　對于輸入x，期望的輸出設(shè)為yd=yd（x），而實際輸出為y=y（x），一般二者不一致; 　　輸入—輸出的函數(shù)與網(wǎng)絡(luò)內(nèi)部細胞的結(jié)合權(quán)重有關(guān)。由期望輸出與實際輸出的誤差信號 　　e = yd（x）-y（x） 　　調(diào)整網(wǎng)絡(luò)內(nèi)部的結(jié)合權(quán)，使誤差減小，以改善神經(jīng)網(wǎng)絡(luò)的工作，這稱為學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。 　　在這種場合，因為給定期望的輸出，故稱為有教導(dǎo)的學(xué)習(xí)。 　　目前逆向誤差傳播學(xué)習(xí)法得到廣泛應(yīng)用，這一學(xué)習(xí)法以輸出的二乘誤差為評價函數(shù)，以最速下降法反向修正各層結(jié)合權(quán)和閥值。 　　這樣，開始時在網(wǎng)絡(luò)上隨機設(shè)置小的權(quán)重和內(nèi)部閥值，重復(fù)輸入訓(xùn)練數(shù)據(jù)進行學(xué)習(xí)，每一試驗，根據(jù)指標(biāo)的誤差信息對權(quán)值和閥值進行調(diào)整，直到指標(biāo)達到可以接受的值。這一迭代算法步驟如下： 　?。?） 權(quán)值和閥值的初始值設(shè)定。 　?。?） 給連續(xù)輸入向量x=｛x1，x2，…，xn｝和期望輸出 yd=｛yd1，yd2， …，ydM｝ 　?。?） 計算實際輸出。 　?。?） 調(diào)整權(quán)重。 　?。?） 返回（2），重復(fù)進行。 　　對于閥值的調(diào)整也可以相似進行。 　　2.2自組織模型 　　自組織模型與上述不同的是不規(guī)定期望的輸出，通過自學(xué)習(xí)抽取對象數(shù)據(jù)的特征，進 　　行基本模式的分類，這稱為無教導(dǎo)的學(xué)習(xí)。 　　圖3所示M個輸出節(jié)點的陣列，用來抽取輸入特征，輸出節(jié)點用局部連接相連。每一輸入xi通過可變的權(quán)重wij與每一輸出節(jié)點yj相連。反復(fù)送入分類數(shù)據(jù)作為輸入向量x，權(quán)重將進行組織，以輸出最大的節(jié)點為核心，使核的節(jié)點和其鄰近的節(jié)點響應(yīng)相同的輸入信號。通過這種學(xué)習(xí)，使各節(jié)點的權(quán)重代表相應(yīng)的輸入模式。與逆向誤差傳播多層神經(jīng)網(wǎng)絡(luò)不同的是：這里是由學(xué)習(xí)自動抽取數(shù)據(jù)的特征，分成典型的模式，而不用給定期望的模式：而分成的典型模式用權(quán)重記憶，找出權(quán)重就掌握了數(shù)據(jù)的特征。圖3為自組織網(wǎng)絡(luò)圖。 [align=center] 圖3 自組織網(wǎng)絡(luò)圖[/align] 三 、多層感知器神經(jīng)網(wǎng)絡(luò)在軋鋼加熱爐模式識別中的應(yīng)用 　　采用多層感知器神經(jīng)網(wǎng)絡(luò)作為軋鋼加熱爐爐溫控制和熱風(fēng)量控制專家系統(tǒng)的一部分。 以軋鋼加熱爐爐溫預(yù)測神經(jīng)網(wǎng)絡(luò)為例，采用如圖4所示的三層網(wǎng)絡(luò)。以鋼坯加熱狀況，煤氣成分，爐中部熱平衡計算求得的計算值指數(shù)、 爐體熱損失量過程數(shù)據(jù)作為輸入層的輸入。 [align=center] 圖4 爐溫預(yù)測神經(jīng)網(wǎng)絡(luò)[/align] 　　中間層通過調(diào)整后選用幾個節(jié)點，輸出層有三個節(jié)點，即“爐溫變高”，“爐溫不變”和“爐溫變低”。輸入數(shù)據(jù)經(jīng)歸一化后，為-1～+1之間的值，輸出為0～1范圍的預(yù)測值。學(xué)習(xí)采用逆向誤差傳播學(xué)習(xí)算法，進行權(quán)重調(diào)整以加快收斂。 　　對于采用多層神經(jīng)網(wǎng)絡(luò)對爐內(nèi)煤氣流分布進行預(yù)測，作為專家系統(tǒng)的一部分。模式識別的對象是爐膛上部檢測器、爐膛中部檢測器和爐壁（縱向）溫度計，檢測器是插入爐內(nèi)的煤氣溫度計或煤氣采樣管。對爐膛上部檢測、爐膛中部檢測、爐壁;（縱向）溫度的模式識別都采用三層神經(jīng)網(wǎng)絡(luò)。預(yù)先根據(jù)過去的操作經(jīng)驗對軋鋼加熱爐爐況進行分類，直觀判斷所檢測的數(shù)據(jù)模式接近那一類，這樣，得到幾種模式作為教導(dǎo)數(shù)據(jù)，故神經(jīng)網(wǎng)絡(luò)的輸出層也采用幾個節(jié)點，每個節(jié)點的輸出代表一種模式。 　　輸入層的節(jié)點數(shù)和中間層的節(jié)點數(shù)也都進行歸類分析經(jīng)過歸一化進行整理得出有效控制模式。 　　學(xué)習(xí)方法也采用逆向誤差傳播學(xué)習(xí)法進行學(xué)習(xí)，并與專家系統(tǒng)結(jié)果進行比較，得出最佳結(jié)果。 　　神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合如圖5所示。神經(jīng)網(wǎng)絡(luò)用C語言編寫程序，起動后，讀入數(shù)據(jù)，在幾個煤氣流分布模式中，取最接近的作為判定結(jié)果，送入專家系統(tǒng)。專家系統(tǒng)根據(jù)模式識別的輸出和信息處理的輸出，使用預(yù)先裝入的規(guī)則，經(jīng)過推理機進行推理，預(yù)測軋鋼加熱爐爐況，輸出操作指導(dǎo)。 [align=center] 圖5 神經(jīng)網(wǎng)絡(luò)與專家系統(tǒng)的結(jié)合[/align] 四. 自組織神經(jīng)網(wǎng)絡(luò)在軋鋼加熱爐模式識別中的應(yīng)用 　　以爐膛溫度來說，在爐膛沿上方向和左右方向共設(shè)置一些測溫點，溫度數(shù)據(jù)是二維的分布模式，依靠操作人員觀察對模式進行分類是很困難的，因此不能預(yù)先給出教導(dǎo)模式，而是用自組織網(wǎng)絡(luò)自動抽取數(shù)據(jù)特征，進行分類。 　　自組織網(wǎng)絡(luò)采用多個輸入節(jié)點，多個輸出陣列，用一段時間的日平均測溫數(shù)據(jù)，用自組織網(wǎng)絡(luò)進行分類，得到軋鋼加熱爐高溫、稍高溫、低溫等幾種爐膛溫度模式，模式特征在鄰近節(jié)點間平滑變化。 　　使用自組織后的網(wǎng)絡(luò)，可以用來識別日平均爐膛溫度數(shù)據(jù)與哪一溫度分布模式最為接近，用這一識別可以定量分析與其它爐況數(shù)據(jù)的關(guān)系。 五.自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制器在軋鋼加熱爐過程控制中的應(yīng)用 　　自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制是根據(jù)對人腦的宏觀結(jié)構(gòu)功能模擬與人腦的控制、決策行為和各種邏輯推理機構(gòu)出發(fā)而設(shè)計的一種控制器，它通過在線、實時學(xué)習(xí)，自動獲取知識，并能不斷地提高和完善控制性能。 　　5.1自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制方式 　　5.1.1系統(tǒng)工作方式: 　　神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)將根據(jù)加熱爐工藝條件的不同和各種檢測情況,在其投運以后按下述方式工作. 　　5.1.1.1 加熱爐學(xué)習(xí)過程 　　加熱爐學(xué)習(xí)過程是系統(tǒng)觀察爐子的操作,記錄爐內(nèi)各參數(shù)的變化,在線收集各種數(shù)據(jù),建立各種工況模式,建立起各種自適應(yīng)加熱爐模式,在線觀察其工作性能,使其達到操作預(yù)報的功能。 　　5.1.1.2基礎(chǔ)調(diào)節(jié)及性能監(jiān)視 　　通過各種常規(guī)PID調(diào)節(jié)算法進行在線實驗，確定其最佳參數(shù)，同時構(gòu)造調(diào)節(jié)學(xué)習(xí)網(wǎng)絡(luò)，并由其記錄爐子的響應(yīng)，評價其控制性能，建立起工況條件與調(diào)節(jié)器工作參數(shù)模式的識別網(wǎng)絡(luò)，這個過程形成的性能監(jiān)視器和運行模式識別網(wǎng)絡(luò)具有在線運行能力，即對于工況的變化具有識別和輸出適當(dāng)結(jié)果的功能。另外，調(diào)節(jié)器學(xué)習(xí)網(wǎng)絡(luò)也在線運行，以比較調(diào)節(jié)器在各種工況下的行為和性能，提供系統(tǒng)報警和修改參數(shù)的依據(jù)。 　　5.1.1.3自適應(yīng)環(huán)境跟隨 　　由前兩階段形成的系統(tǒng)模式，經(jīng)過在線確認后，就形成了自適應(yīng)加熱爐控制模式，其主要特征是：隨工況環(huán)境和檢測條件的變化，自動完成這些狀態(tài)變化的識別，作出相應(yīng)的調(diào)節(jié)策略，同時作出各種操作下的狀態(tài)預(yù)報，完成其控制目的。 　　5.1.2自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制 　　圖6是采用一個非線性神經(jīng)元作為控制對象的補償器，構(gòu)成自適應(yīng)控制系統(tǒng)。 [align=center] 圖6 神經(jīng)網(wǎng)絡(luò)自適應(yīng)控制系統(tǒng)[/align] 　　取期望輸出Yd與實際輸出之差e作為神經(jīng)網(wǎng)絡(luò)的輸入，采用Hebb學(xué)習(xí)規(guī)則調(diào)整神經(jīng)元的權(quán)值Wj，產(chǎn)生所要求的控制，使系統(tǒng)跟隨期望輸出。 　　這里取 　　x1 = yd — y = e（K），x2 = e（K） — e（K—1），x3 = e（K）— 2e（K—1）+ e（K—2） 　　 　　W1 e（K）+W2[e（K）—e（K—1）]+W3[e（K）—2e（K—1）+ e（K—2）] 　　可以看出，控制量正好是PID調(diào)節(jié)器的比例、積分、微分作用?？梢酝ㄟ^有指導(dǎo)的學(xué)習(xí)，對權(quán)值進行訓(xùn)練，訓(xùn)練時，采用下式： 　　Wj（t+1）= Wj（t）+り[Yd — Y] + a [Wj（t）— Wj（t—1）] 　　J = 1，2，3 　　不斷更新權(quán)值。 　　訓(xùn)練完成后，即可對系統(tǒng)進行PID控制，并可在線修正權(quán)值，進行自適應(yīng)控制。 　　這樣將軋鋼加熱爐燃燒過程中的各種檢測數(shù)據(jù)作為輸入信號，加熱爐的各種爐況視為輸出信號，通過學(xué)習(xí)，可將測量數(shù)據(jù)與爐況之間的各種復(fù)雜的非線性影射關(guān)系用自適應(yīng)網(wǎng)絡(luò)來表示，在加熱爐實際操作時，根據(jù)加熱爐監(jiān)視系統(tǒng)所測到的各種數(shù)據(jù)輸入到計算機，自適應(yīng)網(wǎng)絡(luò)將自動判別加熱爐目前的爐況。同樣，可將爐況和溫度、壓力、流量等各種測量值數(shù)據(jù)作為輸入信號，將各種控制參數(shù)作為輸出信號，自適應(yīng)控制系統(tǒng)將根據(jù)目前的爐況和各種測量數(shù)據(jù)，自動控制加熱爐的操作，由于自適應(yīng)控制具有較強的自學(xué)習(xí)能力，將大大地改善加熱爐的判別和控制的可靠性，以及自動化程度。 　　控制系統(tǒng)的動態(tài)過程是不斷變化的，為了獲得良好的控制性能，控制器必須根據(jù)系統(tǒng)的動態(tài)特性，不斷地改善或調(diào)節(jié)控制決策，以便使控制器本身的控制規(guī)律適應(yīng)于控制系統(tǒng)的需要。 　　計算機就這樣從數(shù)據(jù)庫中獲取知識，借助于特征狀態(tài)捕捉動態(tài)過程的特征信息，識別系統(tǒng)的動態(tài)行為，作為控制決策的依據(jù)，在控制過程中，使用定性知識和推理機構(gòu)對控制對象進行有效的控制。 　　5.2爐溫產(chǎn)量自協(xié)調(diào)控制 　　軋制節(jié)奏對爐溫設(shè)定值影響很大，為適應(yīng)不同的軋制節(jié)奏，爐溫的設(shè)定值就必須隨軋制速度進行修正，通過對出爐鋼坯數(shù)的記錄，計算出軋機的 軋制速度，將 軋制速度分為5個檔次：高速軋制，稍高速軋制，中速軋制，低速軋制，停軋。在爐溫設(shè)定值的基礎(chǔ)上，根據(jù)軋機生產(chǎn)的節(jié)奏快慢，自動上下浮動一定的溫度值來控制，生產(chǎn)故障時，自動調(diào)整溫度值來控制加熱爐的燃燒過程，以達到節(jié)能降耗的目的。 六、結(jié) 語 　　實踐結(jié)果表明，利用神經(jīng)網(wǎng)絡(luò)，對難以實現(xiàn)自動化的軋鋼加熱爐的分布數(shù)據(jù)模式可以進行自動識別，用于支持軋鋼加熱爐操作的專家系統(tǒng)，以增強軋鋼加熱爐操作管理系統(tǒng)的功能。 　　操作人員可以根據(jù)經(jīng)驗?zāi)艹槿?shù)據(jù)特征，形成教導(dǎo)用模式分類，用層次神經(jīng)網(wǎng)絡(luò)，采用自學(xué)習(xí)算法識別輸入數(shù)據(jù)的模式，在操作人員難以根據(jù)直觀判斷抽取數(shù)據(jù)特征形成模式分類時，采用自組織神經(jīng)網(wǎng)絡(luò)，自動抽取數(shù)據(jù)特征，形成模式識別的分類。 　　根據(jù)前面模式識別所得出的軋鋼加熱爐各種特征數(shù)據(jù)，我們就可以對加熱爐進行自適應(yīng)神經(jīng)網(wǎng)絡(luò)控制。 　　這里分析研究了神經(jīng)網(wǎng)絡(luò)在軋鋼加熱爐模式識別和智能控制中的應(yīng)用情況，從這些應(yīng)用中可以看出神經(jīng)網(wǎng)絡(luò)的優(yōu)異牲能，可以預(yù)見，神經(jīng)網(wǎng)絡(luò)在冶金工業(yè)自動化系統(tǒng)中將會得到越來越多的應(yīng)用，具有廣闊的應(yīng)用前景。 參考文獻 　　1. 張立明.《人工神經(jīng)網(wǎng)絡(luò)的模型及其應(yīng)用》,上海：復(fù)旦大學(xué)出版社,1993. 　　2. 方康玲，《過程控制系統(tǒng)》，武漢：武漢理工大學(xué)出版社，2002 　　3.王順晃等，《智能控制系統(tǒng)及應(yīng)用》，北京，機械工業(yè)出版社，1995 　　4.王耀南等，《實時專家智能控制系統(tǒng)REICS設(shè)計應(yīng)用》，計算技術(shù)與自動化技術(shù)，1995，